با رشد سریع ابزارهای هوش مصنوعی برای تولید ویدیو، یک ضعف مهم همچنان وجود دارد: نبود صدای هماهنگ و حرفه‌ای. بسیاری از ویدیوهای ساخته‌شده با AI بدون موسیقی و افکت صوتی منتشر می‌شوند. استارتاپ آلمانی Mirelo دقیقاً روی حل همین مشکل تمرکز کرده است.
Mirelo یک شرکت دو ساله مستقر در برلین است که هوش مصنوعی آن محتوای ویدیویی را تحلیل می‌کند و افکت‌های صوتی هماهنگ با صحنه می‌سازد. این استارتاپ به‌تازگی توانست ۴۱ میلیون دلار سرمایه Seed جذب کند. Index Ventures و Andreessen Horowitz رهبری این دور سرمایه‌گذاری را بر عهده داشتند.
Mirelo SFX چگونه صدا را با تصویر هماهنگ می‌کند؟
مدل Mirelo SFX v1.5 ویدیو را فریم‌به‌فریم بررسی می‌کند و بر اساس اتفاقات هر صحنه، افکت صوتی مناسب تولید می‌کند. این فناوری توجه سرمایه‌گذاران حوزه بازی‌سازی و محتوای تعاملی را به خود جلب کرده است.
در حالی که شرکت‌هایی مانند Sony، Tencent، ElevenLabs و Kling AI نیز وارد حوزه ویدیو به صدا شده‌اند، Mirelo تمرکز محدودتر اما تخصصی‌تری دارد. همین تمرکز، مزیت رقابتی اصلی این استارتاپ محسوب می‌شود.
برنامه Mirelo برای رشد تیم و محصول
CJ Simon-Gabriel، مدیرعامل و هم‌بنیان‌گذار Mirelo، اعلام کرد که تیم ۱۰ نفره شرکت تا پایان سال آینده حداقل دو برابر خواهد شد. نیروهای جدید روی تحقیق و توسعه، محصول و استراتژی ورود به بازار کار می‌کنند.
Mirelo مدل‌های خود را روی پلتفرم‌هایی مانند Fal.ai و Replicate منتشر کرده است. این شرکت انتظار دارد در کوتاه‌مدت درآمد اصلی خود را از API به دست بیاورد. در کنار آن، Mirelo روی توسعه محیط کاری Mirelo Studio برای تولیدکنندگان حرفه‌ای نیز سرمایه‌گذاری می‌کند.
نگاه Mirelo به داده‌های آموزشی و حقوق هنرمندان
موضوع داده‌های آموزشی یکی از چالش‌های مهم صنعت هوش مصنوعی محسوب می‌شود. Georgia Stevenson از Index Ventures می‌گوید Mirelo از کتابخانه‌های صوتی عمومی و خریداری‌شده استفاده می‌کند و با هنرمندان قراردادهای اشتراک درآمد می‌بندد. این رویکرد به حفظ حقوق خالقان محتوا کمک می‌کند.
Mirelo مدل درآمدی freemium را انتخاب کرده است. پلن پیشنهادی این شرکت برای تولیدکنندگان محتوا ۲۰ یورو در ماه قیمت دارد و بیشتر کاربران هدف آن، تولیدکنندگان نیمه‌حرفه‌ای هستند.
چرا صدا نقش کلیدی در آینده ویدیوهای AI دارد؟
Simon-Gabriel معتقد است بدون صدا، ویدیوهای هوش مصنوعی به ظرفیت واقعی خود نمی‌رسند. او به نقل از جورج لوکاس می‌گوید صدا بخش بزرگی از تجربه سینمایی را می‌سازد و فضای احساسی تصویر را تغییر می‌دهد.
Mirelo در حال حاضر روی افکت‌های صوتی تمرکز دارد، اما تولید موسیقی با هوش مصنوعی را نیز در نقشه راه خود قرار داده است. به گفته مدیرعامل این شرکت، رقابت در حوزه افکت صوتی هنوز اشباع نشده و فرصت ساخت مزیت پایدار وجود دارد.
وقتی غول‌های فناوری هم به صدا توجه می‌کنند
شرکت‌های بزرگ نیز اهمیت صدا را جدی گرفته‌اند. گوگل اخیراً قابلیت ترجمه صوتی بلادرنگ از طریق هدفون را معرفی کرده است؛ قابلیتی که نشان می‌دهد تجربه صوتی نقش مهم‌تری در آینده محصولات AI خواهد داشت
(مطالعه بیشتر: https://kingmember.com/google-real-time-audio-translation-via-headphones/).
مدیرعامل Mirelo ورود غول‌های فناوری را تهدید نمی‌داند. او معتقد است تفاوت ویدیوهای بی‌صدا با ویدیوهای دارای صدا، شبیه تفاوت فیلم‌های صامت و ناطق است.
